建设银行浙江网站,物流网络规划与设计,网站百度搜索情况和反链接优化建议,电子商务网站开发实战前言
很多朋友习惯了同花顺、大智慧等看盘软件#xff0c;经常问到筹码分布如何计算。
说起来筹码分布的理论在庄股时代堪称是一个划时代产品#xff0c;虽然历经level2数据、资金流统计、拆单算法与反拆单算法等新型技术的变革#xff0c;庄股时代也逐渐淡出市场#xf…前言
很多朋友习惯了同花顺、大智慧等看盘软件经常问到筹码分布如何计算。
说起来筹码分布的理论在庄股时代堪称是一个划时代产品虽然历经level2数据、资金流统计、拆单算法与反拆单算法等新型技术的变革庄股时代也逐渐淡出市场但其背后的市场逻辑仍然具备一定的参考意义。
本篇就以BigQuant平台为基础复现经典筹码理论的基础变量计算为因子挖掘提供更多参考特征。
资金和筹码
资金是推动筹码移动的源动力资金的强弱决定了筹码移动的方向。买入的资金强于卖出的筹码说明筹码需求大于供应股价就会上涨。相反卖出的筹码强于买入的资金说明筹码需求小于供应股价就会下跌。当买入的力量和卖出的力量接近平衡时说明供求相近股价就会横盘震荡。
筹码理论背后的经典逻辑
谁的筹码不抛 在筹码价位较高没有明显出货迹象时试想一只股票下跌了30%以上而从没有放量高端和低端筹码都不动这是不正常的散户重在散下跌到一定程度一定会有很多人止损和出局而持续盘跌不放量只能说明其中有主力被套了因为主力一般无法止损出局那样成本太高了。这种股最适用于擒庄操作
谁的筹码不卖 在筹码价位较低时一只股票上涨了20%以上而从不放量底端密集筹码不动也是不正常的散户一般很少有人经得起如此引诱而一致不出货这只能说明其中有主力在运做而多数主力没有30%以上的利润是不会离场的因为那样除去费用纯利就太低了。这种股最适用于坐轿操作。
机会和风险提示 有些股票虽然高位无量但其拉升时出现了放量或长时间盘整使筹码出现了高位集中这些股一般是主力离场了后市风险会较大。有些股低位放量或长时间盘整出现筹码低位密集一般是有主力进行收集造成的操作起来机会比较大。 筹码理论的关键参数
筹码分布 计算历史所有筹码的换手价位类似分价表 成本均线 以成交量为权重的价格平均线用来表示N日内的市场参与者平均建仓成本。无穷成本平均线是最重要的成本均线反映上市以来所有交易者的平均建仓成本是市场牛熊的重要分水岭。 筹码集中度 刻画主要筹码堆积的主要区域的幅度数值越大表示筹码集中的幅度越大筹码就越分散。 活跃筹码 价附近的筹码是最不稳定的也是最容易参与交易的因为在股价附近的股票持有者最经受不住诱惑盈利的想赶快把浮动盈利换成实际盈利被套的想趁着亏损得还少赶快卖掉利用资金买另外的股票把亏损赶快挣回来。而远离股价在下方的筹码由于有了一定的利润持股信心会增强在上方的筹码由于被套太深而不愿割肉所以在股价附近的筹码是最活跃的而在股价上下远离股价的筹码是不太活跃的。活跃筹码的数值很小时是很值得注意的一种情况。比如一只股票经过漫长的下跌后活跃筹码的值很小(小于10)大部分筹码都处于被套较深的状态这时多数持股者已经不愿意割肉出局了所以这时候往往能成为一个较好的买入点再比如一只股票经过一段时间的上涨活跃筹码很小(小于10)大部分筹码都处于获利较多的状态如果这时控盘强弱的值较大(大于20)前期有明显的庄股特征总体涨幅不太大也能成为一个较好的买入点。所以在股价运行到不同的阶段时考虑一下活跃筹码的多少能起到很好的辅助效果。
筹码理论的股价周期阐述
股价走势循环周期的四个阶段
A阶段无穷成本均线由向下到走平俗称筑底阶段
B阶段无穷成本均线由走平到向上俗称拉升阶段可称为上升阶段
C阶段无穷成本均线由向上到走平俗称作头(顶)阶段
D阶段无穷成本均线由走平到向下俗称派发阶段可称作下降阶段
1、筹码的价位分布计算
instruments [601700.SHA]
#这里尽量包含从上市日期开始到最后的数据
df D.history_data(instruments, start_date2005-01-02, end_date2018-07-04,
fields[open,close,adjust_factor,turn,volume]) #获取历史数据
df[real_close]df[close]/df[adjust_factor]#获取真实收盘价
df[real_open]df[open]/df[adjust_factor]#获取真实开盘价
df[turn]df[turn]/100#获取换手率
df[avg_price]np.round(df[real_close]df[real_open])/2#计算每日平均成本,这里按照0.5元一个价位做分析
dfdf.sort_values(bydate,ascendingFalse).reset_index(dropTrue)#日期按降序排列
df[turn_tomo]df[turn].shift(1) #计算明日的换手率
df[remain_day]1-df[turn_tomo] #计算当日的剩余筹码比例
#假设N日后上市第一天的剩余筹码比率就是每日剩余比例的累乘即剩余筹码比例(1-明天换手率)*(1-后日换手率)*...*(1-最新日换手率),以此类推各日的剩余筹码
df[remain_his]df[remain_day].cumprod()*df[turn]
df[remain_his]df[remain_his].fillna(df[turn])#最新一日的筹码就是当日的换手率#关键统计统计最后一天的各价位历史筹码堆积量百分比
ssdf.groupby(avg_price)[[remain_his]].sum().rename(columns{remain_his:筹码量})
ss.head(10)筹码量avg_price3.50.0608044.00.0449964.50.1207605.00.1209565.50.0595446.00.1496796.50.0751497.00.0731777.50.0695748.00.141947
#检查一下各价位筹码总和是不是1
ss[筹码量].sum()1.0000001
2、筹码理论的Winner指标
#计算end_date时某一价位的获利比例
ppss.reset_index()
pp[pp.avg_price 3.5][筹码量].sum()0.06080448
#计算end_date时收盘价的获利比例
pp[pp.avg_price df[real_close].iloc[-1]][筹码量].sum()0.9996914
3、筹码理论的Cost指标
ss[筹码累积量]ss[筹码量].cumsum()
ss.head()筹码量筹码累积量avg_price3.50.0608040.0608044.00.0449960.1058004.50.1207600.2265615.00.1209560.3475165.50.0595440.407060
#给定累计获利比率winner_ratio,计算对应的价位表示在此价位上winner_ratio的筹码处于获利状态
winner_ratio0.5
for i in range(len(ss)-1):if ss[筹码累积量].iloc[i] winner_ratio and ss[筹码累积量].iloc[i1] winner_ratio:costss.index[i]
cost5.5
4、计算全市场各股票的winner指标
instruments [601700.SHA,601699.SHA]
#这里尽量包含从上市日期开始到最后的数据
df D.history_data(instruments, start_date2005-01-02, end_date2018-02-14,
fields[open,close,adjust_factor,turn,volume]) #获取历史数据
df[real_close]df[close]/df[adjust_factor]#获取真实收盘价
df[real_open]df[open]/df[adjust_factor]#获取真实开盘价
df[turn]df[turn]/100
df[avg_price]np.round(df[real_close]df[real_open])/2#计算每日平均成本,这里按照0.5元一个价位做分析
dfdf.sort_values(bydate,ascendingFalse).reset_index(dropTrue)#日期按降序排列
df[turn_tomo]df.groupby(instrument)[turn].apply(lambda x:x.shift(1)) #计算明日的换手率
df[remain_day]1-df[turn_tomo] #计算当日的剩余筹码比例#假设N日后上市第一天的剩余筹码比率就是每日剩余比例的累乘即剩余筹码比例(1-明天换手率)*(1-后日换手率)*...*(1-最新日换手率),以此类推各日的剩余筹码
df[remain_his]df.groupby(instrument)[remain_day].apply(lambda x:x.cumprod())
df[remain_his]df[remain_his]*df[turn]
df[remain_his]df[remain_his].fillna(df[turn])#最新一日的筹码就是当日的换手率#关键统计统计最后一天的各价位历史筹码堆积量百分比
ssdf.groupby([instrument,avg_price])[[remain_his]].sum().rename(columns{remain_his:筹码量}).reset_index()real_closedf.groupby(instrument)[[real_close]].apply(lambda x:x.iloc[0]).reset_index()
ppss.merge(real_close,oninstrument)
#计算end_date时收盘价的获利比例
winnerpp[pp.avg_pricepp.real_close].groupby(instrument)[[筹码量]].sum().rename(columns{筹码量:winner})
winnerwinnerinstrument601699.SHA0.639122601700.SHA0.817013
#检查各股票各价位的筹码总和是否为1
ss.groupby(instrument)[筹码量].sum()instrument
601699.SHA 1.0
601700.SHA 1.0
Name: 筹码量, dtype: float32
计算全市场各股票每日的winner指标
instruments [601700.SHA,601699.SHA]
#这里尽量包含从上市日期开始到最后的数据
df_all D.history_data(instruments, start_date2005-01-02, end_date2018-02-14,
fields[open,close,adjust_factor,turn,volume]) #获取历史数据def cal_winner_day(df_all):winner[]for k in list(df_all.date):dfdf_all[df_all.datek]df[real_close]df[close]/df[adjust_factor]#获取真实收盘价df[real_open]df[open]/df[adjust_factor]#获取真实开盘价df[turn]df[turn]/100#获取换手率df[avg_price]np.round(df[real_close]df[real_open])/2#计算每日平均成本,这里按照0.5元一个价位做分析dfdf.sort_values(bydate,ascendingFalse).reset_index(dropTrue)#日期按降序排列df[turn_tomo]df[turn].shift(1)#计算明日的换手率df[remain_day]1-df[turn_tomo] #计算当日的剩余筹码比例#假设N日后上市第一天的剩余筹码比率就是每日剩余比例的累乘即剩余筹码比例(1-明天换手率)*(1-后日换手率)*...*(1-最新日换手率),以此类推各日的剩余筹码df[remain_his]df[remain_day].cumprod()df[remain_his]df[remain_his]*df[turn]df[remain_his]df[remain_his].fillna(df[turn])#最新一日的筹码就是当日的换手率#关键统计统计最后一天的各价位历史筹码堆积量百分比ssdf.groupby(avg_price)[[remain_his]].sum().rename(columns{remain_his:筹码量}).reset_index()ss[real_close]df[real_close].iloc[0]#计算end_date时收盘价的获利比例winner_dayss[ss.avg_pricess.real_close][筹码量].sum()winner.append(winner_day)resultpd.DataFrame({winner:winner},indexdf_all.date)return resultwinner_alldf_all.groupby(instrument).apply(cal_winner_day)winner_all.reset_index().sort_values(bydate,ascendingFalse).head()instrumentdatewinner4497601700.SHA2018-02-140.8170132773601699.SHA2018-02-140.6391222772601699.SHA2018-02-130.5189674496601700.SHA2018-02-130.8166182771601699.SHA2018-02-120.530768
